SADE:让LLM像资深网络工程师一样排查故障

网络一旦出故障,损失往往取决于工程师定位根因需要多久——2021年 Meta 的一次 BGP 配置错误就导致全球服务中断长达6小时。近期论文《SADE: Symptom-Aware Diagnostic Escalation for LLM-Based Network Troubleshooting》提出了一种让LLM智能体按照资深工程师的规范流程做网络故障诊断的方法,在公开的 NIKA 基准上取得了显著提升。问题:现有LLM智能体缺乏章法已有的LLM网络智能体(如ReAct)大多让模型自由发挥式地推理、调用工具、观察结果,这种自由式思考把证据收集和假设判定混在一起——模型往往刚看到一点线索就急着下结论,或者不断漫无目的地探测,直到用完步数配额也没能给出有效诊断。而人类工程师排查故障遵循的是Cisco式的经典方法论:先分层排查(链路层→控制面→主机→服务层),证据不足绝不轻易下结论,确认症状后才逐层升级、锁定具体故障家族。现有智能体缺的正是这种分阶段、证据驱动的纪律性。方法:症状感知的分阶段诊断升级SADE 把经典排障方法论显式编码为智能体策略,分四个阶段:初步扫描:调用可达性检测工具,判断是否已有明显症状(丢包、超时、拒绝连接等)。深度网络扫描:若初步扫描无发现,则按 L2/基础设施 → 控制面/路由 → 主机本地 → 服务/资源 的顺序,用多个专用脚本逐层排查,因为很多故障(如被冗余路径掩盖的路由问题)不会直接表现为主机不可达。症状到故障家族映射:用一个故障索引规则集,把发现的症状对应到具体故障家族(如OSPF故障、BGP故障、DNS故障等),必要时结合额外证据消除歧义(比如OSPF邻居丢失,可能是链路故障也可能是路由层故障,需先查接口状态再决定路由方向)。技能库驱动的定位:根据映射结果调用对应的Claude Skill(共15个,以SKILL.md文档形式声明各类故障的特征指纹、验证探针和停止条件),执行针对性探测并比对故障指纹,一旦匹配即可提交最终诊断,避免无休止试探。整个系统基于 Claude Agent SDK 实现,通过 NIKA 提供的 MCP 接口操作 Kathará 仿真网络,每个故障案例限20轮交互。结果:同一模型,诊断方法带来质的飞跃在 NIKA 基准held-out的523个故障案例上:SADE 的根因定位 F1 达到0.77,大幅超过 ReActGPT-5 基线的0.40,以及使用相同 Claude Sonnet 后端、但没有SADE诊断流程的 Claude Code 基线的0.55;检测准确率达到0.85(对比0.68和0.67);关键的是,SADE 与 Claude Code 使用完全相同的模型后端,却有22个百分点的F1差距——这证明性能提升主要来自诊断方法论本身,而非模型升级;SADE 的未能提交有效诊断比例仅4.2%,远低于ReAct的8.8%和Claude Code的15.3%;平均每次成功诊断只需27.2次工具调用,而两个基线分别需要49.5和51.5次,说明SADE不是靠多试几次取胜,而是更精准地知道该检查什么;在跨层故障(症状出现在一层、根因藏在另一层,如BGP消息被ACL静默丢弃、DNS端口被防火墙过滤)上优势最明显,同时这一优势能保持到超过100个节点的大型拓扑上,且token消耗增长速度并不比基线更快。小结SADE 的核心启发是:给LLM智能体配上工具并不等于让它具备专业能力,真正的关键是把领域专家的方法论显式编码为可执行的策略——分离何时收集证据与何时下判断,用结构化流程约束自由探索的随意性。这一思路同样值得推广到其他需要专业排障经验的领域,例如云原生/微服务的根因分析、数据中心运维、安全事件响应等场景。链接论文:[2605.04530] SADE: Symptom-Aware Diagnostic Escalation for LLM-Based Network Troubleshooting代码:https://github.com/Overlxrd-uwu/SADE-NetworkAgent